Naukowcy zaprezentowali ORBIT - ujednolicony framework oparty na modelach generacyjnych do tworzenia realistycznych syntetycznych szeregów czasowych. Podejście wykorzystuje analizę w dziedzinie częstotliwości, aby lepiej radzić sobie z heterogenicznymi wzorcami czasowymi, które stanowiły dotychczasową przeszkodę dla istniejących generatorów.
Aby rozwiązać kluczowe wyzwania, zespół opracował dwie główne komponenty. Frequency-Hierarchical VQ-VAE (FH-VQ-VAE) dekompozuje reprezentacje czasowe na różne pasma częstotliwości i stosuje kwantyzację rezydualną ze zwiększającymi się budżetami tokenów. Frequency-Band Autoregressive Transformer (FBAR) wprowadza innowacyjny kierunek autoregresyjny od niskich do wysokich częstotliwości, co pozwala najpierw budować globalne struktury czasowe, a następnie przyrostowo dodawać szczegóły.
Architektura ORBIT rozdziela heterogeniczne wzorce czasowe, polepszając reprezentacyjne uczenie i zmniejszając potencjalne konflikty między różnymi dynamiką czasową podczas generacji. Rozwiązanie wykazuje obiecujące wyniki na wielu rzeczywistych benchmarkach, potencjalnie otwierając nowe możliwości dla syntezy danych w aplikacjach wymagających wiarygodnych syntetycznych szeregów czasowych.